Verificación de frecuencia de uso de palabras en periódicos españoles

NIAID Data Ecosystem2026-03-13 收录

西班牙报纸词频分析

西班牙语语料库

数据链接：

https://zenodo.org/record/5661548 数据链接链接失效反馈

官方服务：

资源简介：

Datos para comprobar las métricas de uso de frecuencia de palabras en periódicos españoles

创建时间：

2021-11-11

LHF/escorpius

自然语言处理

西班牙语语料库

esCorpius是一个从近1 Pb的Common Crawl数据中获取的西班牙语爬取语料库。该语料库在提取、净化和去重方面具有高质量，是西班牙语中最广泛的语料库之一。数据集的创建过程包括一个新颖的高度并行清理管道和一系列去重机制，以确保文档和段落边界的完整性。此外，数据集还保留了源网页URL和WARC分片源URL，以符合欧盟法规。esCorpius数据集已发布在CC BY-NC-ND 4.0许可

Hugging Face2023-01-05 更新490

IIC/ClinText-SP

临床自然语言处理

西班牙语语料库

ClinText-SP是迄今为止公开可用的最大的西班牙语临床语料库，旨在支持临床自然语言处理研究。该语料库汇集了来自不同公开来源的丰富的临床文本，包括医学期刊、共享任务的注释语料库以及如维基百科和医学教科书等补充来源。数据集包含35,996个样本，平均每个样本约700个标记，总共有约25.62M个标记。ClinText-SP提供了长篇结构良好的临床病例报告和较短的简略文本的平衡混合，适合各种临床N

Hugging Face2026-05-12 更新140

mrm8488/large_spanish_corpus_ds_tokenized_and_gropuped

西班牙语语料库

自然语言处理预训练

--- dataset_info: features: - name: input_ids sequence: int32 splits: - name: train num_bytes: 16824296700 num_examples: 4103487 - name: test num_bytes: 885489300 num_exa

Hugging Face2023-02-13 更新80

vialibre/splittedspanish3bwc

自然语言处理

西班牙语语料库

该数据集是一个包含30亿个单词的西班牙语未标注语料库，总行数为300,904,000行，标记数为2,996,016,962个，字符数为18,431,160,978个。数据集来源包括西班牙语维基、ParaCrawl、EUBookshop、MultiUN、OpenSubtitles等多个子集。数据集使用MIT许可证，并提供了相关的引用信息。

Hugging Face2023-01-24 更新210

UH's Spanish E-thesis corpus

西班牙语语料库

自然语言处理

This corpus contains MA and PhD theses published between 1999 and 2016. The corpus is available for online querying through the concordancer Korp (FIN-CLARIN distribution).

SSH Open MarketPlace2024-09-30 更新80

Verificación de frecuencia de uso de palabras en periódicos españoles

资源简介：

相关数据集